Question

假设我在TensorFlow中有一个典型的CNN模型。

def inference(images):
    # images: 4D tensor of [batch_size, IMAGE_SIZE, IMAGE_SIZE, 3] size.
    conv_1 = conv_layer(images, 64, 7, 2)
    pool_2 = pooling_layer(conv_1, 2, 2)
    conv_3 = conv_layer(pool_2, 192, 3, 1)
    pool_4 = pooling_layer(conv_3, 2, 2)
    ...
    conv_28 = conv_layer(conv_27, 1024, 3, 1)
    fc_29 = fc_layer(conv_28, 512)
    fc_30 = fc_layer(fc_29, 4096)
    return fc_30

典型的前进传球可以这样做：

images = input()
logits = inference(images)
output = sess.run([logits])

现在假设我的input函数现在返回一对参数，left_images和right_images（立体相机）。我希望right_images最多conv_28和left_images最多fc_30。像这样的东西

images = tf.placeholder(tf.float32, [batch_size, IMAGE_SIZE, IMAGE_SIZE, 3])
left_images, right_images = input()
conv_28, fc_30 = inference(images)
right_images_val = sess.run([conv_28], feed_dict={images: right_images})
left_images_val = sess.run([fc_30], feed_dict={images: left_images})

然而

失败了

TypeError：Feed的值不能是tf.Tensor对象。可接受的Feed值包括Python标量，字符串，列表或 numpy ndarrays。

我希望避免评估inputs然后将其反馈给TensorFlow。使用不同的参数调用inference两次也不起作用，因为像conv_layer这样的函数会创建变量。

是否可以使用不同的输入张量重新运行网络？

Answer 1

Tensorflow shared Variables正是您要找的。在推理中将tf.Variable的所有来电替换为tf.get_variable()。然后你可以运行：

images_left, images_right = input()
with tf.variable_scope("logits") as scope:
    logits_left = inference(images_left)
    scope.reuse_variables()
    logits_right = inference(images_right)
output = sess.run([logits_left, logits_right])

在第二次推理调用中，不会再次创建变量。使用相同的权重处理左图像和右图像。另请查看我的Tensorflow CNN training toolkit（查看training代码）。我利用这种技术在同一TensorFlow图中运行验证和训练。

TensorFlow：使用不同的输入张量重新运行网络？

1 个答案: